传统的PID控制器具有结构简单，调整方便，参数化和技术指标等优点。是，它也有一定的局限性：很难为复杂系统建立数学模型：当控制对象不同时，很难自动调整控制器的参数以适应外部环境的变化。效控制某些复杂的过程和参数。经网络控制，应用和PID控制的发展相结合，解决了传统PID控制器的缺点，如在线实时自动调整参数的难度，可以充分利用PID控制的优点。经伺服控制策略神经网络系统中图分类号：TP273文献代码：A文章编号：1007-9416（2012）09-0015-02由于第一数控，发展的诞生数控机床可以被描述为不断发展。着科学技术的发展和国民经济的发展，数控机床越来越需要精密化。必须考虑机床的精度和可靠性。服系统包括许多电子动力装置。过使用反馈控制原理有机地组织它们，从系统的高性能和可靠性以某种方式决定了整个CNC机器的性能和可靠性。年来已经开发了各种伺服驱动技术以改善伺服系统的动态和静态性能。论是从数控机床还是数控机床控制系统，控制策略的选择都变得越来越严格，控制策略的整合，交叉，渗透率也在增长。统的PID控制（实际上，PI和PD控制）是一种控制方法，它使用比例，积分和微分控制量作为系统误差的函数。PID控制器的外观可追溯到近80年：其结构简单，稳定性好，运行可靠，调谐方便，使其成为最重要的控制技术之一。PID控制器包括比例单元（P），集成单元（I）和差分单元（D）。入e（t）和输出u（t）之间的关系是u（t）= kp [e（t） 1 /TI∫e（t）dt TD *（t）/ dt]上限和下限分别为0和t。此，其传递函数为：G（s）= U（s）/ E（s）= kp [1 1 /（TI * s） TD * s]其中：kp- – 比例系数; TI – 积分时间常数; TD – 微分时间常数当我们不完全了解系统和受控对象时，或者我们无法通过有效的测量手段获得系统参数时，PID控制技术是最合适的。
功能多样且灵活，只需设置三个参数（Kp，Ti和Td）。制方法相对简单。而，恒温阀芯在AC伺服系统中，由于AC伺服系统的许多外部干扰和电流控制，有必要建立数学模型。于自动调整基于模型，因此在需要闭环工作时，测试信号将插入过程控制中。加可能引起干扰的测试信号，基于数学模型自动调整PID参数在工业应用中不是非常有效。着控制策略的发展和越来越多的应用，许多科学家提出将现代控制理论和智能控制策略引入到数控机床的控制系统中。些代表性的控制策略包括神经网络（包括BP网络应用），矢量控制，直接转矩控制，滑动结构变量控制，非线性控制，模糊控制等。
前流行的神经网络和矢量控制。者将它们合并和交叉，或者使用遗传算法来优化这些控制理论，以实现更好的控制效果并增强系统稳定性。
主要介绍神经网络。经网络控制生物神经元的结构神经元，也称为神经元组织。是构成神经系统结构和功能的基本单位。
是处理信息的大脑的基本单位。胞体是主体，许多不规则的分支向周边延伸。维成分。主要包括细胞体，树突，轴突和突触。工神经网络人工神经网络ANN也称为神经网络，是一种由大量互连处理单元组成的非线性自适应信息处理系统。基于现代神经科学研究的结果，该研究试图通过模拟大脑的神经网络如何处理和存储信息来处理信息。工神经网络具有四个基本特征：非线性，非限制，高质量和非凸，它是一个跨学科的主题，包括神经科学，反射，人工智能和许多领域。
算机科学，自学和联想存储。速搜索优化解决方案已广泛应用于许多领域，并与模糊逻辑，专家系统，遗传算法，小波分析，混沌，近似集理论相关联。分形理论，证明理论和灰色系统。来越多的应用程序适用于控制领域的所有方面，因为它是解决复杂问题的一种相对简单而有效的方法。于更复杂的数字控制系统控制系统，引入神经网络该控制方法可以进一步提高数字控制系统的稳定性。
AC伺服系统中应用单个神经元控制器可以设计单个神经元自适应PID控制器，如图2所示，具体取决于系统的控制性能要求。
替流动的奴役。中转换器的输入反映了受控过程的状态和控制参数，r（k）是定义的值，y（k）是输出值，x1（k），x2（k）， x3（k）是由转换器转换的神经元的学习控制所需的状态量; wi（k）是对应于xi（k）的加权系数; K是神经元的比例系数，K> 0.交流伺服系统中的BP神经元网络BP（Back Propagation）神经网络由Rumelhart和McCelland在20世纪80年代提出。反向误差传播算法形成的多层馈源网络。息下游传播和误差反向传播这两个过程是最广泛使用的神经网络模型之一。伴网络可以学习和存储大量I / O映射关系，而无需预先公开所描述的映射关系的数学方程。学习规则是使用最速下降法连续调整反向传播网络的权重和阈值，以最小化误差平方和。
BP神经网络模型拓扑包括输入层，掩蔽层和输出层。入层的神经元负责接收外部输入信息并将其发送到中间层的每个神经元;中间层是内部信息处理层，负责信息转换，中间层可以根据信息变化能力要求设计为单个隐藏层或多个隐藏层。的结构，最后隐藏层被传输到输出层的每个神经元的信息。过进一步处理，完成学习下游的传播过程，信息处理的结果是由输出层发射到外面。实际输出与预期输出不对应时，它进入错误的反向传播阶段。出层校正误差，并根据误差梯度校正每层的重量。后逐层转移掩模层和输入层。复传播信息和误差传播的过程包括不断调整每层的权重，以及学习和形成神经网络，直到错误网络输出降低到可接受的水平或预设。习次数。BP网络具有接近任意非线性函数的能力，结构和学习算法简单明了：结合传统的PID控制器，可以直接控制闭环控制对象。到三个kp，ki，kd。数在线调整，神经网络还可以根据数字控制系统的运行状态，通过神经网络调整PID控制器的三个可调参数kp，ki，kd的加权系数，稳定状态对应于图3中的结论是基于常规PID控制器的弱点所示，基于网络的PID控制的理论基于BP神经网络的PID控制器框图神经元和单神经元PID控制器的设计和BP设计。经网络的PID控制器已准备好进行仿真。
文仅提出在数字控制通信系统中设计控制器的神经网络BP的方法，而不是模拟它。此，其性能尚不清楚，因此有必要进一步研究其性能以确定控制器。实际应用中的效果。
本文转载自
恒温阀芯 https://www.wisdom-thermostats.com